城市轨道交通系统的信息化发展积累了海量的AFC乘客刷卡数据,为轨道交通的客流分析和短时预测提供了基础。本文在分析客流特征的基础上,构建了短时客流预测模型,并分析了模型预测性能,本文主要包括以下内容:（1）对AFC数据和线路站点数据进行了描述,并对初始数据进行了提取和处理,作为客流分析和预测的数据来源;（2）深入挖掘轨道交通客流数据特征,从不同的维度分析了影响站点客流的因素,并使用K-means聚类对站点分类,最后分析了轨道交通客流的时空分布特征;（3）从“经典”时间序列预测模型和“新兴”深度学习预测方法中选取了具有代表性的方法——ARIMA和LSTM,构建了基于ARIMA和LSTM的短时进站客流预测模型,并进行实例计算;（4）根据计算结果,首先比较了ARIMA和LSTM的预测性能,其次针对不同时间粒度和不同预测站点对LSTM模型的预测性能进行了分析。结果表明:（1）从计算精度和计算速度两方面来看,LSTM模型比ARIMA模型优势明显,适合在实际计算中应用。（2）从时间粒度层面,时间粒度为5min或15min时,LSTM预测效果稳定,但计算速度会随着网络结构的复杂化出现明显降低;时间粒度为30min时,LSTM预测效果不稳定,但相比5min或15min,计算速度随着网络结构的复杂化降低程度小。（3）从站点类型层面,对于进站客流分布集中的站点,15min或30min下LSTM即可以有较好的预测表现,对于进站客流受多种因素影响、客流波动大的站点,30min下LSTM具有较好的预测表现;在相同的时间粒度下,进站客流分布集中站点的LSTM模型预测表现始终优于进站客流波动大的站点。